針對永磁同步電機(jī)(PMSM)因樣本數(shù)據(jù)稀少、可用性低、特征弱化和結(jié)構(gòu)復(fù)雜等因素引發(fā)的退磁識別問題, 提出一種融合稀疏自編碼與較小二乘生成式對抗網(wǎng)絡(luò)的退磁故障診斷辦法。該辦法較早采集PMSM的電磁轉(zhuǎn)矩和磁動勢分布數(shù)據(jù)構(gòu)成有限樣本 *** , 其次采用較小二乘生成式對抗網(wǎng)絡(luò)對樣本在保持特征分布廣泛的條件下進(jìn)行標(biāo)簽化擴(kuò)張, 較后運(yùn)用稀疏自編碼網(wǎng)絡(luò)和Soft max分類器對樣本進(jìn)行訓(xùn)練和分類, 實(shí)現(xiàn)退磁故障的診斷與識別。在模型訓(xùn)練和故障識別過程中, 一方面合理設(shè)計深度網(wǎng)絡(luò)隱層節(jié)點(diǎn)、訓(xùn)練算法以及層數(shù)等影響學(xué)習(xí)效率的參數(shù); 另一方面訓(xùn)練優(yōu)化網(wǎng)絡(luò)并測試驗證網(wǎng)絡(luò)的優(yōu)劣以提高故障診斷性能。經(jīng)過多次試驗, 較終可實(shí)現(xiàn)PMSM退磁故障的有效診斷。

一、引言

隨著人類對海洋探索的不斷深入, 以及開發(fā)利用海洋資源、研究海洋的生態(tài)平衡和軍事方面的需求, 水下航行器發(fā)揮著越來越重要的作用。水下航行器在高速運(yùn)轉(zhuǎn)時, 由于自身質(zhì)量較輕且動力較大, 很容易影響航行器的穩(wěn)定, 嚴(yán)重時會導(dǎo)致側(cè)翻, 由此裝載永磁同步電機(jī)(permanent magnet synchronous motor, PMSM)的水下推進(jìn)系統(tǒng)應(yīng)運(yùn)而生。PMSM因其工作損耗極小、溫度升高緩慢、過載能力高等優(yōu)勢, 能夠很好地滿足水下航行器推進(jìn)電機(jī)的要求[1-2]。然而受實(shí)際工況的制約, 永磁體在高溫、退磁磁場及匝間短路作用下會發(fā)生不可逆的退磁現(xiàn)象, 退磁會影響永磁體性能進(jìn)而導(dǎo)致電機(jī)轉(zhuǎn)矩性能降低, 甚至造成電機(jī)報廢等嚴(yán)重后果。研究偶發(fā)、隱蔽、變化緩慢的PMSM退磁故障機(jī)理及其診斷辦法, 對提升電機(jī)的穩(wěn)定性具有重要意義[3]。

現(xiàn)階段, 用于PMSM的退磁故障診斷與識別的辦法主要有數(shù)學(xué)模型法[4-5]、數(shù)據(jù)驅(qū)動法[6]和高頻信號注入法[7]等。數(shù)學(xué)模型法一般包括有限元模型法和永磁體磁鏈觀測法[8]。一方面, 通過有限元模型可以得到永磁體磁鏈幅值的變化規(guī)律, 實(shí)現(xiàn)PMSM退磁的故障診斷; 另一方面, 采用多種信號處理模型構(gòu)造針對永磁體磁鏈的觀測器, 并與較小二乘法、龍貝格觀測器、ALE-MRAS觀測器[9]等辦法結(jié)合, 實(shí)現(xiàn)觀測器的參數(shù)辨識。然而基于數(shù)學(xué)模型的辦法易受噪聲、負(fù)載變化、計算量大、數(shù)據(jù)冗余等多種因素影響, 局限于有限的泛化能力, 同時難以確保觀測模型的有效收斂和較較為效率的辨識精度。基于數(shù)據(jù)驅(qū)動的診斷辦法通常采用快速傅里葉變換、小波變換、希爾伯特變換等對PMSM的電壓、電流等物理量進(jìn)行變換, 試圖在各種變換域?qū)ふ彝舜殴收系挠行卣鞣植糩10]。但是這類辦法受限于數(shù)學(xué)工具的限制性條件和PMSM的非平穩(wěn)狀態(tài), 微弱的故障信號難以從輸入信號中提取出來, 因此在工程應(yīng)用中難以推廣。基于高頻信號注入的辦法是在離線狀態(tài)下使用外部高頻信號測量PMSM的磁路狀態(tài), 以描述永磁體的退磁情況。該辦法適用于PMSM的局部和均勻退磁2種情況, 但無法實(shí)現(xiàn)在線診斷。除此之外, 永磁體材料在受到外界磁場強(qiáng)度、溫度、酸堿、使用壽命、 *** 工藝以及匝間短路等綜合因素的影響時, 易導(dǎo)致局部退磁或均勻不可逆退磁[11]。退磁故障發(fā)生的隨機(jī)性、隱蔽性, 易造成數(shù)學(xué)模型的不確定性和樣本數(shù)據(jù)的污染, 因此上述辦法在PMSM多變的工況下都存在較大的局限性。在故障識別行業(yè), 逆向(back propagation, BP)神經(jīng)網(wǎng)絡(luò)[12]、支持向量機(jī)[13]均取得了較大成果。袁圃等[14]采用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了電網(wǎng)故障的較較為效率診斷。然而隨著數(shù)據(jù)的增多, 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)已經(jīng)無法提高故障診斷系統(tǒng)的性能, 同時會消耗大量的時間。為提高退磁故障診斷的準(zhǔn)確率, 結(jié)合大數(shù)據(jù)和深度學(xué)習(xí)網(wǎng)絡(luò)對PMSM的退磁故障特征進(jìn)行挖掘和辨識具有良好的應(yīng)用前景。

稀疏自編碼(sparse autoencoder, SAE)[15]和較小二乘生成式對抗網(wǎng)絡(luò)(least squares generative adversarial network, LSGAN)[16]作為典型的深度學(xué)習(xí)辦法已獲得廣泛關(guān)注。SAE是一種無監(jiān)督算法, 可以從大量的樣本數(shù)據(jù)中學(xué)習(xí)屬于研究對象的本質(zhì)稀疏特征, 并獲得更稀疏化的特征表達(dá)。部分學(xué)者已經(jīng)成功將SAE用于故障診斷中。例如孫文珺等[17]利用SAE網(wǎng)絡(luò)實(shí)現(xiàn)了感應(yīng)電動機(jī)的7類故障診斷, 其準(zhǔn)確率高達(dá)97%。由于SAE具有極強(qiáng)的數(shù)據(jù)稀疏表達(dá)能力, 能有效實(shí)現(xiàn)特征的自動約簡與選擇, 因此適合各類電機(jī)冗余數(shù)據(jù)的特征提取。同時, 電機(jī)的退磁機(jī)理非常復(fù)雜, 永磁體磁密的變化受磁動勢、電流和溫度等多方面因素的影響, 另外這些影響因素之間也存在復(fù)雜的交互關(guān)系, 因此退磁故障具有很強(qiáng)隱蔽性、漸進(jìn)性與偶發(fā)性。總之, 有限的、不平衡的樣本集難以支持深度網(wǎng)絡(luò)進(jìn)行大規(guī)模的數(shù)據(jù)訓(xùn)練和特征學(xué)習(xí), 因此為了彌補(bǔ)樣本的數(shù)量和多樣性缺陷, 利用LSGAN等各類生成對抗式網(wǎng)絡(luò)對輸入樣本進(jìn)行數(shù)據(jù)擴(kuò)張, 是解決小樣本分類的有效辦法之一, 其可以有效彌補(bǔ)訓(xùn)練數(shù)據(jù)匱乏的缺陷。

基于以上分析, 提出一種聯(lián)合LSGAN和SAE的PMSM退磁故障診斷辦法。較早構(gòu)建合適的參數(shù)優(yōu)化LSGAN與SAE網(wǎng)絡(luò), 確保訓(xùn)練樣本的有效性、多樣性以及特征表達(dá)的稀疏性; 其次構(gòu)造PMSM的退磁故障模型, 分析磁動勢、電磁轉(zhuǎn)矩在永磁體退磁狀態(tài)下的變化規(guī)律; 較后依托磁動勢、電磁轉(zhuǎn)矩以及LSGAN構(gòu)造訓(xùn)練集, 并使用SAE網(wǎng)絡(luò)與分類器實(shí)現(xiàn)退磁故障的有效診斷。

1.深度學(xué)習(xí)網(wǎng)絡(luò)

圖7  PMSM實(shí)驗平臺

表1  測試平臺相關(guān)參數(shù)

表2  樣本標(biāo)簽

3.1  網(wǎng)絡(luò)參數(shù)優(yōu)化

在SAE網(wǎng)絡(luò)訓(xùn)練與測試中, 使用相同的LSGAN擴(kuò)展數(shù)據(jù)集評估不同學(xué)習(xí)率和優(yōu)化算法, 并采用均方誤差作為損失函數(shù)以判定較優(yōu)情況。在實(shí)驗中對上述訓(xùn)練集進(jìn)行測試, 其中訓(xùn)練樣本5 000個, 測試樣本300個。結(jié)果如表3和圖8所示。

表3  稀疏自編碼網(wǎng)絡(luò)參數(shù)優(yōu)化

圖8  不同優(yōu)化算法下的損失值

在同一隱層數(shù)下, 通過調(diào)整不同的學(xué)習(xí)率, 比較在不同學(xué)習(xí)率下的損失值, 結(jié)論如下: 在線優(yōu)化(follow-the-regularized-leader, FTRL)算法可以學(xué)習(xí)出有效且稀疏的解, 但是受數(shù)據(jù)分布影響,

僅適用于數(shù)據(jù)分布平衡且數(shù)量更大的訓(xùn)練集; 自適應(yīng)學(xué)習(xí)率優(yōu)化(adaptive gradient, Adagrad)算法的學(xué)習(xí)率與參數(shù)的設(shè)置有很大關(guān)系, 受限于大規(guī)模的更新稀疏參數(shù), 其學(xué)習(xí)率總是在降低或是迅速衰減, 較終容易導(dǎo)致梯度消失; 隨機(jī)梯度下降算法(stochastic gradient descent, SGD)辦法在所有方向上統(tǒng)一縮放梯度, 所得并不是稀疏解, 因此較終選取自適應(yīng)時刻估計算法(adaptive moment estimation, Adam)(隱層數(shù)為3, 學(xué)習(xí)率為0.01)計算每個參數(shù)的自適應(yīng)學(xué)習(xí)率以及每個參數(shù)的對應(yīng)動量變化并自立存儲, 同時糾正其他優(yōu)化技術(shù)中存在的問題, 如學(xué)習(xí)率消失過快而收斂減緩, 參數(shù)不斷更新引發(fā)損失函數(shù)波動加大, 使得模型在確定參數(shù)后網(wǎng)絡(luò)損失值達(dá)到較小。

3.2  樣本擴(kuò)張有效性分析

為研究LSGAN在擴(kuò)張數(shù)據(jù)中的合理性及有效性, 隨機(jī)抽取研究樣本, 分別采用GAN與LSGAN進(jìn)行數(shù)據(jù)擴(kuò)張實(shí)驗。隨著迭代次數(shù)的增加, GAN和LSGAN的生成器和判別器損失均趨于穩(wěn)定。經(jīng)過多次實(shí)驗對比, GAN和LSGAN判別器和生成器的損失函數(shù)如圖9與圖10所示。

圖9  GAN生成器和判別器的損失函數(shù)

圖10  LSGAN生成器和判別器的損失函數(shù)

由圖10可知, GAN在經(jīng)過7 500次訓(xùn)練之后生成器和判別器的損耗函數(shù)趨于穩(wěn)定, 而LSGAN在2 500次訓(xùn)練之后就趨于穩(wěn)定, 證明LSGAN生成的模型在擴(kuò)展數(shù)據(jù)方面的效能高于傳統(tǒng)GAN, 極大緩解了傳統(tǒng)GAN訓(xùn)練不穩(wěn)定以及生成樣本多樣性不足的問題。因此, 選擇采用LSGAN來擴(kuò)張樣本數(shù)據(jù), 將電磁轉(zhuǎn)矩和磁動勢作為退磁故障的聯(lián)合特征項。為更好地論證LSGAN擴(kuò)展數(shù)據(jù)的有效性, 采用GAN和LSGAN擴(kuò)張后的數(shù)據(jù)歸一化后與原始數(shù)據(jù)進(jìn)行對比, 如圖11所示。電磁轉(zhuǎn)矩和磁動勢處于非線性狀態(tài), 各樣本之間無明顯規(guī)律可循, LSGAN生成的數(shù)據(jù)比GAN生成的數(shù)據(jù)更加接近真實(shí)數(shù)據(jù)的分布趨勢。

圖11  健康樣本和各生成樣本的分布

3.3  與傳統(tǒng)辦法對比

為進(jìn)一步證明文中辦法對于電機(jī)退磁故障診斷的有效性, 以Geforcegtx1070 GPU圖形卡為運(yùn)算硬件, 測試算法的診斷效果。其中訓(xùn)練集采用LSGAN擴(kuò)張至20 000個數(shù)據(jù), 測試 *** 依然由原始的300個樣本構(gòu)成, 不在進(jìn)行重新采樣。基于TensorFlow平臺采用擴(kuò)張后數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)訓(xùn)練和故障診斷, 所獲結(jié)果如表4所示。

表4  不同診斷辦法結(jié)果對比分析

    
分別使用GAN和LSGAN擴(kuò)張數(shù)據(jù)后, 采用多種深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行故障診斷對比測試。由于BP網(wǎng)絡(luò)深度不夠, 無法充分學(xué)習(xí)數(shù)據(jù)特征的分布規(guī)律, 在進(jìn)行模式辨識時缺乏對故障邊界條件的有效判別, 因此基于BP網(wǎng)絡(luò)的退磁故障判斷準(zhǔn)確率較低。得益于網(wǎng)絡(luò)深度和結(jié)構(gòu)的優(yōu)勢, 循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)和SAE對輸入樣本特征具有較好的學(xué)習(xí)能力。RNN網(wǎng)絡(luò)的訓(xùn)練效率與CNN非常接近, 但由于其梯度易消失, 因此其故障診斷精度低于CNN與SAE, 而SAE更獲得98.4%的故障診斷成功率。此外, 針對同一種故障診斷模型, LSGAN擴(kuò)張的訓(xùn)練數(shù)據(jù)比GAN得到的訓(xùn)練集更能體現(xiàn)PMSM退磁故障的數(shù)據(jù)特征和邊界條件, 因此采用不同的算法進(jìn)行故障診斷時, LSGAN有助于提高樣本的稀疏性和多樣性, 并能較大限度地保證樣本的特征規(guī)律, 這對小樣本學(xué)習(xí)具有重要意義。所以, LSGAN與GAN相比, 增強(qiáng)了樣本數(shù)據(jù)集的數(shù)量, 克服了網(wǎng)絡(luò)訓(xùn)練不充分, 訓(xùn)練效果不足的短板, 有效防止了過擬合, 同時使得采用SAE對退磁故障進(jìn)行診斷具有良好的應(yīng)用前景。